解析php利用正則表達式解決采集內(nèi)容排版的問題

更新時間：2013年06月20日 11:44:04 作者：

本篇文章是對php利用正則表達式解決采集內(nèi)容排版問題進行了詳細(xì)的分析介紹，需要的朋友參考下

做采集經(jīng)常遇到的問題是內(nèi)容排版問題，用了一些時間寫了個用正則替換html標(biāo)簽和樣式的函數(shù)，共享下。

/**
 * 格式化內(nèi)容
 * @param string $content 內(nèi)容最好統(tǒng)一用utf-8編碼
 * @return string
 * !本函數(shù)需要開啟tidy擴展
 */
function removeFormat($content) {
 $replaces = array (
   "/<font.*?>/i" => '',
   "/<\/font>/i" => '',
   "/<strong>/i" => '',
   "/<\/strong>/i" => '',
   "/<span.*?>/i" => '',
   "/<\/span>/i" => '',
   "/<div.*?>/i" => "<p>",
   "/<\/div>/i" => "</p>",
   "/<!--<.*?>*-->/i"=>'',
   /* "/<table.*?>/i" => '',//遇到有表格的內(nèi)容就不要啟用
   "/<\/table>/i" => '',
   "/<tbody.*?>/i" => '',
   "/<\/tbody>/i" => '',
   "/<tr.*?>/i" => '<p>',
   "/<\/tr>/i" => '</p>',
   "/<td.*?>/i" => '', */
   "/style=.+?['|\"]/i" => '',
   "/class=.+?['|\"]/i" => '',
   "/id=.+?['|\"]/i"=>'',
   "/lang=.+?['|\"]/i"=>'',
   //"/width=.+?['|\"]/i"=>'',//不好控制注釋掉
   //"/height=.+?['|\"]/i"=>'',
   "/border=.+?['|\"]/i"=>'',
   "/face=.+?['|\"]/i"=>'',
   "/<br.*?>[　]*/i" => "</p><p>",
   "/<iframe.*?>.*<\/iframe>/i" => '',
   "/&nbsp;/i" => ' ',//空格替換掉
   "/<p.*?>[ |\x{3000}|\r\n]*/ui" => '<p>&nbsp;&nbsp;&nbsp;&nbsp;',//替換半角、全角空格，換行符，用&nbsp;排除寫入數(shù)據(jù)庫時產(chǎn)生的編碼問題

 );
 $config = array(
         //'indent' => TRUE, //是否縮進  
                'output-html' => TRUE,//是否是輸出xhtml  
                'show-body-only'=>TRUE,//是否只獲得到body  
               'wrap' => 0
    );
 $content = tidy_repair_string($content, $config, 'utf8');//先利用php自帶的tidy類庫修復(fù)html標(biāo)簽，不然替換的時候容易出現(xiàn)各種詭異的情況
 $content = trim($content);
 foreach ( $replaces as $k => $v ) {
  $content = preg_replace ( $k, $v, $content );
 }

 if(strpos($content,'<p>')>6)//部分內(nèi)容開頭可能缺失<p>標(biāo)簽
  $content = '<p>&nbsp;&nbsp;&nbsp;&nbsp;'.$content;

 $content = tidy_repair_string($content, $config, 'utf8');//再修復(fù)一次，可以去除html空標(biāo)簽
 $content = trim($content);
 return $content;
}